Issue堆了三百条没人敢碰 - 我让AI先做了一轮分诊
一、一个管理者的尴尬:issue区成了“杂物间”
带过一个五人以内小团队的人,大概都经历过这种状态:产品迭代快,issue区跟着膨胀。用户反馈、bug报告、功能请求、重复提问、“+1”式跟帖、甚至跑题的闲聊,全部混在一个列表里。
结果就是三种典型痛点:
痛点一:没人愿意打开issue列表。 开发同学看到待办里躺着两百多条未分类issue,第一反应不是处理,而是拖延。真正紧急的bug可能被淹没在第7页,而置顶的可能只是一个情绪化的吐槽。
痛点二:人工整理成本高得离谱。 我们曾让一位实习生花一周时间做issue清洗,最后产出一个Excel表格——标签打了不少,但分类标准不统一,而且一周后新增的issue又把表格变成了废纸。
痛点三:决策缺乏依据。 想判断“这个模块是不是该重构了”“用户最痛的到底是什么”,只能靠大家翻issue时的印象。印象不可靠,会议上就变成各说各话。
本质上,issue区的问题不是技术问题,是信息处理流程的问题。而信息分诊、提炼、归类,恰恰是当前AI最擅长的事之一。
二、AI在这件事上能为你做什么
明确一下分工:AI不负责修bug,也不负责做产品决策。AI负责的是把非结构化的信息变成结构化的决策输入。具体能做四件事:
- 批量分诊: 给定分类体系,AI可以把几百条issue逐条归类——真bug、功能请求、文档问题、重复项、无效信息,并给出归类理由。
- 信息提炼: 从冗长的讨论串中抽取核心要素:问题现象、复现条件、影响范围、涉及的模块、社区共识度。
- 合并去重: 识别语义上重复的issue,哪怕表述完全不同。这在人工整理时是最耗时的部分。
- 趋势汇总: 把“过去一个月新增的功能请求按模块聚合”这类工作交给AI,产出管理层能直接读的摘要。
三、我的落地流程:四步走,每一步都留人工卡点
作为管理者,我关心两件事:流程能不能跑顺,以及风险怎么控制。毕竟issue里可能包含用户信息、内部细节,一股脑丢给AI有隐患。
第一步:脱敏与导出。 用GitHub CLI把issue导出为JSON,先过一个本地脱敏脚本,把邮箱、客户名、内部域名替换成占位符。这一步不上AI,纯规则处理,可控性最高。
第二步:定义分类体系。 这是管理者必须亲自参与的环节。分类标准不是AI发明的,是团队定义的。我们定的是六级标签:bug-确认 / bug-待验证 / 功能请求 / 文档 / 重复 / 无效。体系越简单,AI归类越稳定。
第三步:批量AI处理。 每批20条issue喂给模型,要求输出结构化JSON,包含分类、置信度、一句话摘要、重复项关联。置信度低于阈值的进人工复核队列——这是关键的风控设计:AI处理80%的明确项,人处理20%的模糊项,而不是人处理100%或盲目信任AI的100%。
第四步:人工抽检与回写。 每周对AI结果抽检10%,发现系统性偏差就修改提示词里的分类定义。最终结果回写到GitHub标签,让整个团队受益,而不是停留在一份私人的Excel里。
成本方面,处理几百条issue的token开销相当有限,具体以你所用模型的官网价格页为准,建议先小批量试跑再放量。
四、提示词模板:直接复制可用
你是一位开源项目的issue分诊助手。请对以下issue逐条分析,严格输出JSON。
分类体系(只能从中选择):
- bug-确认:有明确复现路径的缺陷
- bug-待验证:疑似缺陷但信息不足
- 功能请求:希望增加新能力
- 文档:文档缺失、错误或不清晰
- 重复:与已存在issue语义重复
- 无效:跑题、情绪化表达、信息不足且无法跟进
输出格式:
[{
"issue编号": "",
"分类": "",
"置信度": "高/中/低",
"一句话摘要": "",
"关键信息": {
"现象": "",
"复现条件": "",
"涉及模块": ""
},
"归类理由": "",
"疑似重复于": "issue编号或null"
}]
规则:
1. 只依据issue内容判断,不臆测
2. 信息不足时选"bug-待验证"或"无效",不要猜
3. 置信度为"低"的条目,归类理由必须写清缺失了什么信息
4. 摘要不超过50字,给没读过原文的人看
待分析issue:
{issues内容}一个细节:要求AI在置信度低时说明缺什么,这让复核的人知道该去issue里追问什么,复核效率反而更高。
五、前后对比:变的不是效率,是流程
用AI之前: 一周人工整理一次,产出一份很快过时的表格;开发者不信任issue区,紧急bug靠口头传达;复盘会上“我觉得用户最在意X”和“不,是Y”轮流登场。
用AI之后: 每周一自动跑一遍分诊,置信度低的进复核队列,半小时处理完;issue区标签可信,开发者愿意按标签认领;月度复盘直接引用聚合摘要,讨论从“是什么”提前到了“怎么办”。
算一笔粗账:原来一周约20小时的人工整理,压缩到2小时左右的复核加抽检。但比工时更重要的是——整理这件事从“某个人的负担”变成了“流程的常态”,这才是不再失控的根本原因。
六、几点管理者的提醒
- 先定标准再上AI,分类体系是人定的,AI只是执行者;
- 低置信度必须有人工出口,否则错误会静默累积;
- 数据先脱敏,哪怕只是习惯性动作;
- AI的结论用于辅助决策,不替代对用户的直接沟通。
如果你也在寻找稳定的模型接口来跑这类批量文本处理任务,可以试试这个网关服务,注册入口在这里:https://api.thistoken.ai/register
把issue区从“杂物间”变回“信息源”,也许就差一次批量分诊的距离。
---
本文的示例只需一个 API Key 就能复现:在 https://api.thistoken.ai/register 注册即用。